Telefonat transkribieren: So gelingt die Anruftranskription
Lassen Sie eine Webinar-Aufzeichnung durch ein beliebiges modernes Transkriptionstool laufen, und das Ergebnis ist nahezu fehlerfrei. Transkribieren Sie mit demselben Tool das Vertriebstelefonat vom vergangenen Dienstag, und die Hälfte der Nachnamen ist falsch, die Preise sind verrutscht, und irgendwo in der Mitte sind beide Gesprächspartner anscheinend ein und dieselbe Person. Dieselbe Software, dieselben Sprecher, völlig unterschiedliche Ergebnisse – und der Grund hat fast nichts mit dem Modell zu tun.
Anruftranskription gilt als Unterfall der gewöhnlichen Transkription. Tatsächlich ist sie eher eine eigene Disziplin. Alles, was Sie über Audioqualität, Sprechertrennung und den Speicherort der Datei voraussetzen, ändert sich in dem Moment, in dem das Gespräch durch eine Telefonleitung läuft statt in ein Mikrofon. Wie aus Sprache allgemein Text wird, erklären wir in einem eigenen Beitrag darüber, wie Transkription funktioniert. Hier geht es um das, was Telefonate kaputt machen.
Warum sind Telefonate schwerer zu transkribieren als Meetings?
Am Anfang steht, was das Netz wegwirft. Klassische Telefonie ist schmalbandig: Der Ton wird mit 8 kHz abgetastet, sodass alles oberhalb von etwa 3,4 kHz verworfen wird, bevor es überhaupt ein Aufnahmegerät erreicht. Dieses Frequenzband ist kein Beiwerk. Dort liegt der Unterschied zwischen s und f, dort unterscheidet sich sch von ch, dort trägt ein Zischlaut genug Details, um fünfzehn von fünfzig zu unterscheiden. Breitband-Audio mit 16 kHz Abtastrate behält dieses Band. Eine Telefonleitung nicht.
Moderne Spracherkennung wird ganz überwiegend mit Breitband-Audio trainiert, und wenn sie 8-kHz-Material bekommt, rechnen die meisten Systeme es zuerst auf eine höhere Abtastrate hoch. Dieses Upsampling bringt die Datei in die richtige Form. Was entfernt wurde, bringt es nicht zurück. In den rekonstruierten Frequenzen steckt keine Information, weil dort von Anfang an keine war.
Die Folgen zeigen sich in den Zahlen, und deshalb führen veröffentlichte Benchmarks so zuverlässig in die Irre. Kontrollierte Studien, die nichts als die Abtastrate ändern, zeigen: Schmalband-Audio kostet schon für sich allein Genauigkeit. Echte Anrufe packen dann Codec-Kompression, Mobilfunknetze, Durcheinanderreden und Hintergrundgeräusche obendrauf, und für echtes Callcenter-Audio werden häufig Fehlerraten berichtet, die ein Mehrfaches der Werte in den Bestenlisten betragen. Anbieter-Benchmarks laufen fast immer auf sauberen Breitband-Aufnahmen. Betrachten Sie jede beworbene Genauigkeitszahl deshalb als Obergrenze für Telefon-Audio, nicht als Prognose.
Die Kompression legt noch eine Schicht darüber. G.711, nach wie vor das Arbeitspferd unter den Codecs im Telefonnetz, ist von Haus aus schmalbandig. G.722, Opus und EVS übertragen Breitband-Audio oder mehr und klingen hörbar besser, helfen aber nur, wenn jeder Abschnitt des Anrufs sie unterstützt. Wählt sich ein einziger Teilnehmer per Handy ein, zieht er das ganze Gespräch auf den kleinsten gemeinsamen Nenner herunter, weil das Netz in ein Format umkodieren muss, das beide Enden verstehen.
Eine Diagnose in dreißig Sekunden. Öffnen Sie einen aufgezeichneten Anruf in einem beliebigen Audioeditor und wechseln Sie in die Frequenzansicht. Endet die Energie abrupt in einer flachen Linie bei etwa 3,4 kHz, haben Sie Schmalband-Audio vor sich, und daran ändert kein Wechsel des Transkriptionsanbieters etwas. Was hilft, ist eine andere Übertragung des Anrufs: eine VoIP-Verbindung statt einer Mobilfunkverbindung, ein Headset statt der Freisprechfunktion.
Ein Kanal oder zwei – und warum das alles entscheidet
Das Zweite, was Anruf-Audio von Meeting-Audio unterscheidet, ist die Zahl der Spuren, die am Ende vorliegen. Das ist wichtiger, als den meisten Käufern bewusst ist.
Ein Anruf hat zwei Seiten. Zeichnet Ihr System sie getrennt auf – den Anrufer auf dem linken Kanal, den Agenten auf dem rechten –, ist die Sprechertrennung gar kein Machine-Learning-Problem mehr. Sie ergibt sich aus der Datei. Jedes Wort auf Kanal eins gehört der einen Person, jedes Wort auf Kanal zwei der anderen, und das Transkript ist korrekt beschriftet, selbst wenn beide gleichzeitig sprechen.
Mischen Sie die beiden Seiten zu einer einzigen Monospur, ist diese Gewissheit weg. Jetzt muss die Software die Sprecher allein an der Stimme auseinanderhalten, an Tonhöhe, Klangfarbe und Timing. Bei sauberem Breitband-Audio klappt das einigermaßen gut. Auf einer schmalbandigen Telefonleitung, auf der genau die Frequenzen fehlen, die eine Stimme von der anderen unterscheiden, klappt es deutlich schlechter. Und ausgerechnet Telefongespräche sind voll von der Situation, an der es scheitert: Ohne visuelle Signale fallen sich Menschen viel häufiger ins Wort als im persönlichen Gespräch.
Contact-Center-Plattformen zeichnen genau deshalb seit Jahren standardmäßig zweikanalig auf. Viele Telefonanlagen in Unternehmen und die meisten Aufnahme-Apps für Privatleute liefern dagegen immer noch eine einzige gemischte Datei. Bevor Sie einem Transkriptionstool bescheinigen, dass es mit Ihren Anrufen nicht zurechtkommt, prüfen Sie, welche Variante Sie ihm geben.
Festnetz (PSTN), VoIP und das schwächste Glied der Kette
Geschäftsanrufe laufen über drei Wege, und jeder liefert eine andere Aufnahmequalität.
Festnetz (PSTN) und Mobilfunk sind der klassische Weg: schmalbandig, und zwar verlässlich, beim Mobilfunk kommt noch eine eigene Kompression hinzu. Das ist die Untergrenze. VoIP kann viel besser sein, denn ein Anruf von Softphone zu Softphone über Opus oder G.722 ist echtes Breitband. Das gilt aber nur, wenn beide Endpunkte und jede Station dazwischen einen Breitband-Codec aushandeln. Gemischte Anrufe fallen zurück. Konferenzplattformen wie Zoom, Google Meet und Microsoft Teams sind durchgehend breitbandig, wenn alle per App teilnehmen. Das ist der eigentliche Grund, warum sich Meeting-Transkripte so viel besser lesen als Anruftranskripte.
Der letzte Punkt hat eine praktische Seite. Ein Teams-Meeting mit sechs Leuten am Laptop und einer Person an der Einwahlnummer erzeugt nicht einfach einen schlechten Sprecher. Oft wird die eingewählte Person merklich schlechter transkribiert als alle anderen, und was sie sagt, während jemand anderes spricht, geht wahrscheinlich verloren. Wenn sich eine wichtige Ansprechperson immer per Telefon einwählt, sollten Sie das wissen, bevor Sie sich auf das Protokoll verlassen.
Fünf Wege, ein Telefonat zu transkribieren
Eine einzige richtige Antwort gibt es nicht, nur Abwägungen. Welcher Weg passt, hängt viel stärker davon ab, wo das Transkript landen soll, als davon, welche Engine in diesem Quartal ein paar Zehntel genauer ist.
| Weg | Genauigkeit bei Telefon-Audio | Kostenstruktur | Wo das Transkript landet | Am besten, wenn |
|---|---|---|---|---|
| Telefonanlage oder Telefonie im CRM | Ordentlich. Meist mono, selten auf Ihr Vokabular abgestimmt | Im Nutzerplatz enthalten, aber an Bedingungen geknüpft. HubSpot transkribiert nur Anrufe über einen Professional- oder Enterprise-Platz in Sales Hub oder Service Hub; Starter enthält 500 Telefonieminuten pro Monat und Account, kostenlose Accounts bekommen wenig oder nichts | Automatisch im Kontakt- oder Deal-Datensatz | Ihr Vertrieb telefoniert bereits aus dem CRM heraus |
| Telefonie- oder CPaaS-API | Höchstes Potenzial. Sie wählen die Engine und können zweikanalige Aufnahmen anfordern | Nach Nutzung, mit mehreren Posten. Twilio etwa rechnet Transkription pro Minute ab; Aufzeichnung und der Anruf selbst sind eigene Posten | Wohin Ihr Code es schreibt | Sie haben Entwickler und besondere Anforderungen |
| Meeting-Assistent | Stark bei Calls per App, schwächer bei eingewählten Teilnehmern | Pro Nutzer und Monat, oft mit kostenlosem Kontingent | Im eigenen Workspace, dazu CRM-Sync, wo angeboten | Die meisten Gespräche laufen über Zoom, Meet oder Teams |
| Contact-Center-Suite | Spitzenklasse bei Telefonie. Standardmäßig zweikanalig, auf Schmalband abgestimmt | Hoch. Die Voice-Stufe von Five9 kostet laut Liste rund 159 $ pro gleichzeitigem Nutzer und Monat, bei mindestens 50 Plätzen; Genesys Cloud CX 4 steht mit 240 $ in der Liste | In der Plattform, mit Live-Unterstützung für Agenten während des Anrufs | Sie bewältigen Anrufvolumen, keine Meetings |
| Menschlicher oder hybrider Dienst | Am höchsten bei wirklich schlechtem Audio | Am teuersten pro Anruf und am langsamsten | Als gelieferte Datei, die Sie selbst weiterleiten | Ein Gericht oder eine Aufsichtsbehörde wird den Anruf lesen |
Die Preise sind Listenpreise, wie sie 2026 veröffentlicht wurden; gerade Contact-Center-Verträge werden bei großem Volumen regelmäßig deutlich darunter verhandelt.
Die meisten Teams denken zu viel über die Spalte zur Genauigkeit nach und zu wenig über die Spalte, wo das Transkript landet. Eine Contact-Center-Suite ist für Telefonie die technisch richtige Antwort und für ein Unternehmen mit zwölf Leuten, das vier Discovery-Calls pro Woche über Google Meet führt, der falsche Kauf. Für Teams dieser Art gewinnt meist der Meeting-Assistent, bei den Kosten und bei dem, was wirklich zählt: ob das Ergebnis im CRM ankommt. Tools wie der KI-Meeting-Assistent von Laxis gehören in diese Spalte. Laxis erfasst Gespräche in Zoom, Google Meet und Microsoft Teams, nimmt hochgeladene MP3-, WAV- und M4A-Dateien von anderswo aufgezeichneten Anrufen an und überträgt im Business-Tarif Zusammenfassungen und Aufgaben nach HubSpot oder Salesforce. Der ehrliche Vorbehalt gilt für jedes Tool in dieser Spalte: Es ist für Meetings und Gespräche gebaut, nicht für das Anrufvolumen eines Contact Centers. Wenn Sie viertausend Anrufe am Tag transkribieren, kaufen Sie die Plattform, die dafür gemacht ist. Wenn Sie in dieser Spalte suchen, finden Sie eine ausführlichere Übersicht über KI-Notiztools.
Live oder erst, wenn alle aufgelegt haben
Echtzeit-Transkription und Transkription nach dem Anruf sehen aus wie dieselbe Funktion, verhalten sich aber völlig unterschiedlich.
Streaming-Transkription liefert Text ein bis zwei Sekunden, nachdem die Worte gesprochen wurden. Das macht Live-Unterstützung für Agenten, Compliance-Warnungen und Übersetzungen auf dem Bildschirm möglich. Der Preis ist die Genauigkeit. Ein Streaming-System muss sich auf eine Vermutung festlegen, bevor es das Satzende gehört hat. Es korrigiert zwar frühere Wörter, wenn mehr Audio ankommt, hat aber nie den Luxus des vollständigen Kontexts. Die Verarbeitung nach dem Anruf hat ihn. Sie kennt die ganze Aufnahme, kann nach vorn und nach hinten schauen und ist in der Regel genauer und pro Minute günstiger.
Sinnvoll ist, es nicht als eine einzige Entscheidung zu behandeln. Die Live-Ausgabe ist für alles, was während des Anrufs passieren muss. Die Ausgabe nach dem Anruf ist für die Akte, die Zusammenfassung, den CRM-Eintrag und alles, was später jemand liest. Viele Plattformen können beides, und nichts spricht dagegen, dass derselbe Anruf einen groben Live-Feed und ein sauberes endgültiges Transkript liefert.
Zwei günstige Verbesserungen, die mehr bringen als ein Anbieterwechsel. Hinterlegen Sie ein eigenes Vokabular mit Ihren Produktnamen, den Namen der Wettbewerber, Ihren SKU-Formaten und den Nachnamen, die Ihr Vertrieb regelmäßig verstümmelt. An Eigennamen scheitern Telefontranskripte am sichtbarsten, und kein Modell errät sie ohne Hilfe. Statten Sie dann alle mit Headsets aus. Freisprechen in einem Raum mit harten Wänden erzeugt Echo, und Echo bringt die Sprechertrennung schneller durcheinander als jeder Akzent.
Der Teil, der entscheidet, ob es sich gelohnt hat
Die unbequeme Wahrheit über Software für Anruftranskription: Alle bewerten die Genauigkeit, aber der Workflow entscheidet, ob sich die Anschaffung bezahlt macht.
Ein Transkript in einem Tool, das niemand öffnet, ist wertlos. Ein Transkript, das am richtigen Kontakt und an der richtigen Verkaufschance hängt und neben der übrigen Historie des Accounts durchsuchbar ist, verändert, wie ein Deal geführt wird. Der Unterschied zwischen beidem ist eine Frage der Anbindung, und die sollten Sie klären, bevor Sie Engines vergleichen.
Drei Dinge machen den Unterschied. Das Transkript muss einem Datensatz zugeordnet sein, nicht nur gespeichert: Kontakt, Unternehmen und offener Deal, automatisch ermittelt über die Telefonnummer oder die Kalendereinladung. Es muss auf etwas Lesbares verdichtet sein, denn niemand scrollt durch ein vierzigminütiges Wortprotokoll, um den einen Einwand zu finden; genutzt werden eine Zusammenfassung und eine Liste der Zusagen mit Namen. Und es muss ohne manuellen Zwischenschritt ankommen, denn jeder Workflow, der davon abhängt, dass jemand im Vertrieb daran denkt, etwas einzufügen, schläft in der dritten Woche still und leise ein.
An dieser letzten Anforderung scheitern die meisten Setups. Deshalb leisten native CRM-Telefonie und Assistenten mit CRM-Sync mehr, als ihre Genauigkeitswerte vermuten lassen. Laxis etwa extrahiert Aufgaben samt zuständiger Person und synchronisiert das Ergebnis im Business-Tarif nach HubSpot oder Salesforce, ohne dass jemand das Transkript öffnen muss. Die Verarbeitung läuft in der Cloud, nicht auf Ihrem Gerät; gleichen Sie das mit Ihren eigenen Richtlinien ab, bevor Sie sich festlegen.
Was Sie erwarten können und wie Sie es günstig herausfinden
Kaufen Sie nicht aufgrund einer veröffentlichten Genauigkeitszahl. Nehmen Sie fünf echte Aufnahmen – die schlechte Leitung, den starken Akzent, das Gespräch, in dem der Einkaufsleiter des Kunden Ihrem Account Executive ins Wort fällt – und lassen Sie sie durch jedes Tool auf Ihrer Shortlist laufen. Zählen Sie die Fehler, die Sie tatsächlich etwas kosten würden: falsche Zahlen, falsche Namen, falsche Zuordnung, wer wozu zugestimmt hat. Tippfehler bei Füllwörtern sind Rauschen.
Passen Sie Ihre Erwartungen entsprechend an. Bei einem sauberen VoIP-Anruf mit zwei Personen am Headset liegen gute Systeme im selben Bereich wie bei Meeting-Audio. Bei einem Handygespräch mit Straßenlärm und einem Akzent, den das Modell kaum kennt, taugt das Transkript als Gedächtnisstütze, aber nicht als Zitatquelle. Beides kann am selben Tag für denselben Anbieter gelten, und genau deshalb kann Ihnen kein Anbieter eine einzelne Zahl nennen und es ernst meinen.
Eines ist nicht optional: Klären Sie die Einwilligung, bevor irgendetwas davon läuft, denn die Regeln unterscheiden sich je nach Rechtsordnung, und die Strafen sind real. Unser Leitfaden zum Aufzeichnen von Telefonaten erklärt die praktische Umsetzung und die Einwilligungsregeln, einschließlich der US-Bundesstaaten, in denen alle Beteiligten zustimmen müssen.
Was das für Sie bedeutet
Die interessante Veränderung bei der Anruftranskription ist nicht, dass die Modelle besser geworden sind, auch wenn sie das sind. Es ist, dass sich der Engpass verschoben hat. Im größten Teil des vergangenen Jahrzehnts war es schwer, die Wörter richtig zu erkennen. Heute liegt die Schwierigkeit in einem Frequenzband, das das Telefonnetz seit Jahrzehnten verwirft, und in einer Reihe von Entscheidungen darüber, wie aufgezeichnet wird: ein Kanal oder zwei, App oder Einwahl, Breitband oder was auch immer das Netz aushandeln konnte. Diese Entscheidungen trifft, wer die Telefonanlage einrichtet, meist ohne dass jemand das Wort Transkription erwähnt.
Damit ist dies einer der seltenen Fälle, in denen die günstigste Verbesserung kein Kauf ist, sondern ein Gespräch mit der Person, die Ihre Telefonie verantwortet. Stellen Sie ihr zwei Fragen: Können wir beide Gesprächsseiten getrennt aufzeichnen, und können wir mehr Anrufe auf einem Breitbandweg halten? Sind diese beiden Fragen geklärt, reicht nahezu jede solide Engine.
Häufig gestellte Fragen
Was ist Anruftranskription?
Anruftranskription wandelt ein Telefon- oder VoIP-Gespräch in durchsuchbaren Text um, meist mit gekennzeichneten Sprechern und einem Zeitstempel pro Zeile. Von der Transkription einer gewöhnlichen Audiodatei unterscheidet sie sich in einem wichtigen Punkt: Der Ton ist durch einen komprimierten Telefonkanal gelaufen und kommt als eine gemischte Aufnahme oder als zwei getrennte Gesprächsseiten an.
Wie genau ist die Transkription von Telefon-Audio?
Rechnen Sie mit spürbar geringerer Genauigkeit als in den Zahlen der Anbieter, denn die stammen von sauberen Breitband-Aufnahmen. Schmalband-Audio kostet schon für sich Genauigkeit, und echte Anrufe bringen Kompression, Durcheinanderreden und Störgeräusche dazu. Die Fehlerraten bei Telefon-Audio können deshalb ein Mehrfaches des beworbenen Werts erreichen. Zweikanalige Aufnahmen und ein eigenes Vokabular holen einen Großteil davon zurück.
Kann man Telefonate automatisch transkribieren?
Ja. Die meisten Telefonanlagen in Unternehmen, CRMs mit integrierter Telefonie und Contact-Center-Plattformen transkribieren automatisch, sobald die Aufzeichnung eingeschaltet ist, und Telefonie-APIs streamen den Text live zurück, wenn Sie darauf aufbauen. Die Grenze ist in der Praxis meist die Lizenz, nicht die Technik: Viele Tarife binden die Transkription an eine kostenpflichtige Nutzerstufe oder ein monatliches Minutenkontingent.
Wie transkribiert man Vertriebsgespräche am besten?
Wählen Sie den Weg, der das Transkript im richtigen CRM-Datensatz ablegt, ohne dass jemand etwas kopieren muss. In der Praxis ist das entweder ein Dialer mit eingebauter CRM-Protokollierung oder ein Meeting-Assistent, der Gespräche über Zoom, Google Meet oder Teams mit HubSpot oder Salesforce synchronisiert. Die reine Genauigkeit zählt weniger als die Frage, ob jemand im Vertrieb das Transkript überhaupt je öffnet.
Funktioniert Anruftranskription in Echtzeit?
Ja, aber Live-Transkription und Transkription nach dem Anruf sind im Grunde verschiedene Produkte. Streaming-Systeme liefern Text innerhalb von ein bis zwei Sekunden und korrigieren frühere Wörter, wenn mehr Audio ankommt. Das begrenzt ihre Genauigkeit, weil sie nicht wissen, was als Nächstes kommt. Die Verarbeitung nach dem Anruf hat die ganze Aufnahme und ist meist genauer und günstiger.
Wo sollten Anruftranskripte gespeichert werden?
Dort, wo die Menschen arbeiten, die sie brauchen. Für Revenue-Teams heißt das: im CRM, verknüpft mit dem Kontakt und der offenen Verkaufschance, statt in einem separaten Tool. Regulierte Teams ergänzen Aufbewahrungsfristen und Zugriffskontrollen. Ein Transkript, das beim Schreiben eines Follow-ups niemand findet, hat Geld gekostet, statt welches zu sparen.
Passendes Produkt
Laxis-Meeting-Assistent
Automatisieren Sie Ihre Notizen noch heute.
- Notizen ohne Bot für Zoom, Google Meet, Teams und Vor-Ort-Meetings
- KI-Zusammenfassungen, Aufgaben und Follow-ups in über 60 Sprachen
- Mac, Windows, iPhone und Android, mit kostenlosem Tarif
Kostenlos starten, keine Kreditkarte erforderlich.
Mehr erfahren ▷